CN115270524B - 一种模拟bis的方法 - Google Patents
一种模拟bis的方法 Download PDFInfo
- Publication number
- CN115270524B CN115270524B CN202211178919.0A CN202211178919A CN115270524B CN 115270524 B CN115270524 B CN 115270524B CN 202211178919 A CN202211178919 A CN 202211178919A CN 115270524 B CN115270524 B CN 115270524B
- Authority
- CN
- China
- Prior art keywords
- anesthetic
- receptor
- gaba
- nmda
- drug
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Medicinal Preparation (AREA)
Abstract
本发明涉及BIS领域,公开了一种模拟BIS的方法,包括:基于药物代谢动力学模型,在麻醉药物进入中央室后,经过模拟代谢,获得麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比;基于激活状态的受体百分比,模拟BIS。实现对BIS的定量表达。
Description
技术领域
本发明涉及BIS领域,具体涉及一种BIS模拟方法。
背景技术
麻醉手术中需要进行意识监测,以防止麻醉过深、过浅所引发的不好的术后效果及并发症。在手术中给予患者麻醉药物时,可以通过麻醉深度指数中的脑电指数(BIS)来进行意识监测的判断:指数范围为0~100,其中100为完全清醒状态,0为完全无意识状态。BIS指数是通过脑电信号进行一系列计算后,转化为已被临床认可的可信数字。
但是,一直以来,市场中没有关于BIS的模拟。
发明内容
本发明创造的目的是提供一种模拟BIS的方法以填补BIS模拟中的空白,所采用的技术方案如下:一种模拟BIS的方法,包含如下步骤:
步骤1:基于药物代谢动力学模型,在麻醉药物进入中央室后,经过模拟代谢,获得麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比;
步骤2:基于步骤1的激活状态的受体占受体总数的百分比,模拟BIS。
优选的,预制麻醉药物数据库;
优选的,所述的麻醉药物数据库包括:优选的,包括受体标签、麻醉药物属性标签、代谢参数及其数值;
优选的,所述的步骤1,包括如下步骤:
步骤11:药物初始药量为X0的单一麻醉药进入药物代谢动力学模型后,模拟人体代谢,获得麻醉药物进入人体后在药物代谢动力学模型中央室的初始浓度值C0;
优选的,当麻醉药为液体时:X0即为初始给药量;
优选的,当麻醉药为气体时,其转换到药物代谢动力学模型的初始给药量为:
X0=P×D×S×ATM,其中P是气体分压;D是气体密度;S是气体溶解度;ATM是标准大气压。
优选的,在药物代谢动力学模型中输入药物剂量为X0的气态麻醉药物,后,模拟人体代谢,获得前述药物在中央室初始浓度值C0,具体计算公式如下:
C0=X0/Vc
其中:Vc为中央室的表观分布容积;
步骤12:经由药物代谢动力学模型中的中央室与效应室的转换,获得麻醉药物在效应室中随时间变化的效应浓度值Ce;
优选的,所述的药物代谢动力学模型为二室药物代谢动力学模型,具体计算公式如下:
其中keo是中央室到效应室转运的一级速率常数;其中α+β=k10+k12+k21;αβ=k10k21;其中,α为分布速率常数,β为消除速率常数;α和β分别代表着两个指数项,其中α为分布相、β为消除相;其中,X0为初始药量;Vc为中央室的表观分布容积;k12为药物从中央室向周边室转运的一级速率常数;k21为药物从周边室向中央室转运的一级速率常数;k10为药物在中央室内的一级消除速率常数;t为时间。
优选的,药物代谢动力学模型为单室模型,麻醉药物在效应室中随时间变化的效应浓度值Ce,具体计算公式如下:
其中keo是中央室到效应室转运的一级速率常数;k是药物代谢出去的速率;e是自然对数;t为时间。
步骤13:基于效应室麻醉药物浓度随时间变化的效应浓度值Ce,在麻醉药物与受体绑定后,达到平衡状态时的麻醉药在两类受体上激活状态的受体占受体总数的百分比P,计算公式如下:
其中:KGABA,KC-GABA,KD-GABA是麻醉药物与GABA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;KNMDA,KC-NMDA,KD-NMDA是麻醉药物与NMDA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;L是受体在静息状态与激活状态之间的转换速率;Q是受体在激活状态与脱敏状态之间的转换速率。
所述的麻醉药物为两种或两种以上的时候,每一种药物重复前述步骤11,步骤12,得出复合麻醉药物与受体绑定后,达到平衡状态时的麻醉药在两类受体上激活状态的受体占受体总数的百分比P,计算公式如下:
其中:[A]是麻醉药物A效应浓度即步骤12中效应室浓度Ce;KA-GABA,KA-C-GABA,KA-D-GABA是药物A与GABA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;KA-NMDA,KA-C-NMDA,KA-D-NMDA是药物A与NMDA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;[B]是麻醉药物B效应浓度;KB-GABA,KB-C-GABA,KB-D-GABA是药物B与GABA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;KB-NMDA,KB-C-NMDA,KB-D-NMDA是药物B与NMDA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;L是受体在静息状态与激活状态之间的转换速率;Q是受体在激活状态与脱敏状态之间的转换速率。
若是单一药物麻醉则只有一种药物A,若是复合麻醉,则如公式(1-1)、(2-1)中累加药物B,并依此类推。
所述的步骤2:基于步骤1的激活状态百分比,模拟BIS,包含如下步骤:
步骤21:基于麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比,获得BIS值,计算公式如下:
其中EGABA,max,ENMDA,max分别是麻醉药作用于GABA、NMDA两种受体上的最大药物效应;n1是药物作用于GABA受体时,浓度-效应曲线斜率;n2是药物作用于NMDA受体时,浓度-效应曲线斜率;τGABA,τNMDA分别是麻醉药作用于GABA、NMDA两种受体上的半效浓度。
还包括,步骤22:
以步骤21的BIS系列值为纵坐标,以时间t为横坐标,输出“时间-BIS”曲线图。
本发明有益效果在于:采用上述技术方案,填补了BIS领域的空白;实现了定量表达麻醉药物浓度与效应的关系,从而定量表达出麻醉结果;在医学临床中浓度效应关系局限于“S”形,不能定量描述出复杂的药物浓度效应关系,例如表征麻醉深度的BIS值与药物浓度之间的关系不呈S形,而本发明的技术方案实现了对麻醉深度的定量表达;本发明所采用的技术方案,在填补市场空白的基础上,进一步的实现了复合麻醉中的定量BIS表达。
附图说明
图1:麻醉药浓度效应关系示意图;
图2:二室模型给药示意图;
图3:受体状态转换关系图(RAD模型);
图4:实施例1“时间-BIS”曲线示意图;
图5:实施例1“浓度-BIS”曲线示意图;
图6:实施例2“时间-BIS”曲线示意图;
图7:实施例2“浓度-BIS”曲线示意图;
图8:实施例3“时间-BIS”曲线示意图;
图9:实施例4“时间-BIS”曲线示意图;
图10:BIS模拟流程示意图;
图11:单室模型给药示意图。
具体实施方式
下面结合附图1至附图10,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
附图1是现有麻醉药浓度效应的关系示意图,曲线斜率较大时效应曲线较为陡直,较小的浓度变化可引起较大的效应变化,反之斜率较小时,较小的浓度变化则不会引起效应的较大改变。根据附图1可以看出当药物浓度增加到某一临界值时,继续增加剂量,药物浓度增加,但效应不增加,或者增加趋势渐缓,进入平台期。麻醉药浓度效应关系示意图对麻醉用药进行了定性分析,不能对麻醉结果进行定量表达;不能准确地描述复杂的药物浓度效应关系,如表征麻醉深度的BIS值;及,在各种麻醉药物单独应用的效果都不够理想,为达到完善的术中和术后镇痛以及满意的手术条件,克服单独用药的不足时,复合麻醉成为了主流麻醉方式,附图1中不能定量表达出复合麻醉中的BIS。
本申请中所述的词汇所表达的含义如下:
药物代谢动力学模型:是指为了描述药物在人体内的动态变化规律而建立的房室模型,房室模型是目前常用的药动学模型。房室模型将整个人体视为一个系统,并将该系统按照动力学特性划分为若干个房室。
二室模型:从速率论的观点,将人体划分为药物分布均匀程度不同的两个独立系统,即二室模型。在二室模型中,一般将血流丰富及药物分布能瞬时达到与血液平衡的部分划分为一个房室,称为中央室;而血液供应较少,药物分布达到与血液平衡时间较长的部分划分为周边室。若在二室模型的基础上,还有一部分组织、器官或细胞内药物的分布更慢,则可以从周边室中划分出第三房室,由此形成三室模型。
受体:在药理学中受体用来表示一类直接与细胞内部、细胞与细胞之间联系的化学信号传导有关的细胞大分子。激素、神经递质或细胞内信使及其受体结合会导致细胞活性的变化。在本申请实施例中,受体以标签形式存储于数据库文件中。
优选的,预制麻醉药物的数据库,包括受体标签、麻醉药物属性标签、代谢参数及其数值;
实施例一:
优选的,预制麻醉药物数据库,包括受体标签、麻醉药物属性标签、代谢参数及其数值;
优选的,本申请实施例中,所述的药物代谢动力学模型为二室药物代谢动力学模型;
优选的,本实施例所采用的技术方案,如附图10,包括:
步骤1:基于二室药物代谢动力学模型在麻醉药物进入中央室后,经过模拟代谢,获得麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比,包括如下步骤:
步骤11:药物剂量为X0的麻醉药进入药物代谢动力学模型后,模拟人体代谢,获得麻醉药物进入人体后在药物代谢动力学模型中央室的初始浓度值C0;
在数据库中,选择为液体的麻醉药物:
将麻醉药物名称(drugName),药物剂量(X0)输入药物代谢动力学模型中。
图2中,X0为给药量;Xc、Xp分别为中央室、周边室的药量;C、Cp分别为中央室、周边室的血药浓度;Vc、Vp分别为中央室、周边室的分布容积;k12为药物从中央室向周边室转运的一级速率常数;k21为药物从周边室向中央室转运的一级速率常数;k10为药物从中央室的一级消除速率常数;keo是中央室到效应室转运的一级速率常数。其中C0=X0/Vc,C0是药物在中央室的初始浓度,k10,k12,k21以及表观分布容积Vc由与药物同名的“.xml”文件存储,位于“<Pharmacokinetics>...</Pharmacokinetics>”标签下。
步骤12:经由图2中的中央室与效应室的转换,得到麻醉药物在效应室中血药浓度与时间的函数关系,即麻醉药物在效应室中随时间变化的效应浓度值Ce:
keo由与药物同名的“.xml”文件存储,位于“<Pharmacokinetics>...</Pharmacokinetics>”标签下。其中α+β=k10+k12+k21;αβ=k10k21。α称为分布速率常数,β称为消除速率常数。α和β分别代表着两个指数项,其中α为分布相、β为消除相;t为时间。
步骤13:基于效应室麻醉药物浓度随时间变化的效应浓度值Ce,在麻醉药物与受体绑定后,达到平衡状态时的麻醉药在两类受体上激活状态的受体占受体总数的百分比P,麻醉药物作用于GABA、NMDA两种受体引起BIS数值变化。根据图3受体状态转换关系图得出麻醉药物分别于GABA、NMDA两种受体绑定后在平衡状态时激活状态(药物与受体绑定后,处于激活状态受体的百分比)计算公式为:
麻醉药影响BIS的作用机制:药物渗透细胞,竞争或者非竞争地作用于GABA、NMDA受体上的配体门控离子通道,从而广泛的抑制神经元电路的兴奋信号传递,调节脉冲时间,进而影响人体意识,影响BIS。
其中,KGABA,KC-GABA,KD-GABA是麻醉药物与GABA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;KNMDA,KC-NMDA,KD-NMDA是麻醉药物与NMDA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数。
其中LGABA,QGABA,KGABA,KC-GABA,KD-GABA,KNMDA,KC-NMDA,KD-NMDA由与药物同名的“.xml”文件存储,位于“<Pharmacodynamics>...</Pharmacodynamics>”标签下。
步骤2:基于步骤1的激活状态的受体百分比,模拟BIS,包括如下步骤:优选的,步骤21:基于麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比,获得BIS值,计算公式如下:
其中PGABA,active、PNMDA,active由公式(1)、(2)求得;EGABA,max,ENMDA,max分别是麻醉药作用于GABA、NMDA两种受体上的最大药物效应;n1是药物作用于GABA受体时,浓度-效应曲线斜率;n2是药物作用于NMDA受体时,浓度-效应曲线斜率;τGABA,τNMDA分别是麻醉药作用于GABA、NMDA两种受体上的半效浓度,由与药物同名的“.xml”文件存储,位于“<Pharmacodynamics>...</Pharmacodynamics>”标签下。
优选的,还包括,步骤22:根据时间序列,得出对应时间的BIS数值,得到以效应浓度Ce为横坐标,以BIS数值为纵坐标的BIS-Ce曲线图。
进一步:以thiopental(硫喷妥钠)为例,进一步描述,如下:
应用3mg/kg的thiopental(硫喷妥钠),得到BIS数值的过程如下:
依据临床研究,预制硫喷妥钠数据库,如下:
步骤1,基于药物代谢动力学模型,在麻醉药物进入中央室后,经过模拟代谢,获得麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比;包括:
步骤11:
患者体重默认70kg,thiopental(硫喷妥钠)用量3mg/kg则用药量为X0=70×3=210mg;
硫喷妥钠:
初始浓度:C0=3/0.323=9.2879(mg/L)=35.1388(umol/L)。
步骤12:
硫喷妥钠:
当t=10时:
Ce=11.7676(umol/L)。
步骤13:
t=10:
PGABA,active=0.789。
PNMDA,active=0.1118。
步骤2:基于步骤1的激活状态的受体百分比,模拟BIS,包括如下步骤:
步骤21:
t=10s:
BIS=98.32
还包括,步骤22:
附图4是麻醉后的浓度效应曲线图,其中横坐标是时间(S),纵坐标是BIS数值;
附图5是以效应浓度(umol/L)为横坐标,纵坐标是BIS数值。
实施例二:
优选的,预制麻醉药物数据库,包括受体标签、麻醉药物属性标签、代谢参数及其数值;
优选的,本申请实施例中,所述的药物代谢动力学模型为二室药物代谢动力学模型;
优选的,本实施例所采用的技术方案,包括:
步骤1:基于二室药物代谢动力学模型在麻醉药物进入中央室后,经过模拟代谢,获得麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比,包括如下步骤:
步骤11:药物剂量为X0的麻醉药进入药物代谢动力学模型后,模拟人体代谢,获得麻醉药物进入人体后在药物代谢动力学模型中央室的初始浓度值C0;
在数据库中,选择为气体的麻醉药物,输入药物代谢动力学模型中:
(即模拟麻醉药物通过麻醉机进入气道,通过肺泡与血液进行交换。)麻醉气体通过肺泡转换到机体内部的药量X0:
X0=P×D×S×ATM
其中P是气体分压;D是气体密度;S是气体溶解度;ATM是标准大气压。
图2中,X0为给药量;Xc、Xp分别为中央室、周边室的药量;C、Cp分别为中央室、周边室的血药浓度;Vc、Vp分别为中央室、周边室的分布容积;k12为药物从中央室向周边室转运的一级速率常数;k21为药物从周边室向中央室转运的一级速率常数;k10为药物从中央室的一级消除速率常数;keo是中央室到效应室转运的一级速率常数。
其中C0=X0/Vc,C0是药物在中央室的初始浓度,k10,k12,k21以及表观分布容积Vc由与药物同名的“.xml”文件存储,位于“<Pharmacokinetics>...</Pharmacokinetics>”标签下。
步骤12:经由图2中的中央室与效应室的转换,得到麻醉药物在效应室中血药浓度与时间的函数关系,即麻醉药物在效应室中随时间变化的效应浓度值Ce:
keo由与药物同名的“.xml”文件存储,位于“<Pharmacokinetics>...</Pharmacokinetics>”标签下。其中a+β=k10+k12+k21;αβ=k10k21。α称为分布速率常数,β称为消除速率常数。α和β分别代表着两个指数项,其中α为分布相、β为消除相;t为时间。
步骤13:基于效应室麻醉药物浓度随时间变化的效应浓度值Ce,在麻醉药物与受体绑定后,达到平衡状态时的麻醉药在两类受体上激活状态的受体占受体总数的百分比P,麻醉药物作用于GABA、NMDA两种受体引起BIS数值变化。根据图3受体状态转换关系图得出麻醉药物分别于GABA、NMDA两种受体绑定后在平衡状态时激活状态(药物与受体绑定后,处于激活状态受体的百分比)计算公式为:
麻醉药影响BIS的作用机制:药物渗透细胞,竞争或者非竞争地作用于GABA、NMDA受体上的配体门控离子通道,从而广泛的抑制神经元电路的兴奋信号传递,调节脉冲时间,进而影响人体意识,影响BIS。
其中:KGABA,KC-GABA,KD-GABA是药物A与GABA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;KNMDA,KC-NMDA,KD-NMDA是麻醉药物与NMDA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数。
其中LGABA,QGABA,KGABA,KC-GABA,KD-GABA,KNMDA,KC-NMDA,KD-NMDA由与药物同名的“.xml”文件存储,位于“<Pharmacodynamics>...</Pharmacodynamics>”标签下。
步骤2:基于步骤1的激活状态的受体百分比,模拟BIS,包括如下步骤:优选的,步骤21:基于麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比,获得BIS值,计算公式如下:
其中PGABA,active、PNMDA,active由步骤13获得;EGABA,max,ENMDA,max分别是麻醉药作用于GABA、NMDA两种受体上的最大药物效应;n1是药物作用于GABA受体时,浓度-效应曲线斜率;n2是药物作用于NMDA受体时,浓度-效应曲线斜率;τGABA,τNMDA分别是麻醉药作用于GABA、NMDA两种受体上的半效浓度,由与药物同名的“.xml”文件存储,位于“<Pharmacodynamics>...</Pharmacodynamics>”标签下。
优选的,还包括,步骤22:根据时间序列,得出对应时间的BIS数值,得到以效应浓度Ce为横坐标,以BIS数值为纵坐标的BIS-Ce曲线图。
进一步:
临床常用吸入麻醉药物的MAC值:
七氟烷(Sevoflurane):1.85%;
患者体重默认为70kg;
以七氟烷麻醉药为例,进一步描述,如下:
应用8%的七氟烷气体进行麻醉,得到BIS数值的过程如下:
依据临床研究,预制七氟烷数据库,如下:
步骤1,基于药物代谢动力学模型,在麻醉药物进入中央室后,经过模拟代谢,获得麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比;包括:
步骤11:
向二室药物代谢动力学模型输入药物名称(Sevoflurane),七氟烷,该麻醉药属气态型麻醉药物,应用8%的七氟烷,转换到人体内的初始药量X0为:
X0=P×D×S×ATM=0.08×8933.71×0.65=116.13823(g/m3)=464552.92(ug/L)。
(注:溶解度S的单位是1/atm与ATM相抵消)
由C0=X0/Vc可得,七氟烷转换到体内的初始浓度为:
C0=464552.92/0.066895=6944508.8572(ug/L)。
将单位转换成umol/L即:
C0=6944508.8572/200.055=34712.998(umol/L)。
步骤12:
设t=6s;
Ce=805.913(umol/L)。
设t=100s;
Ce=8095.76(umol/L)。
步骤13:
将由步骤12得到的效应浓度Ce代入公式(1)、(2):
当t=6s:
PGABA,active=0.854。
PNMDA,active=0.411。
当t=100s:
PGABA,active=0.859。
PNMDA,active=0.511。
步骤2:基于步骤1的激活状态的受体百分比,模拟BIS,包括如下步骤:
步骤21:
当t=100s:
BIS=3.88
还包括,步骤22:
附图7是用8%的Sevoflurane(七氟烷)麻醉后的浓度效应曲线图,其中横坐标是效应浓度(umol/L),纵坐标是BIS数值。附图6是用8%的Sevoflurane(七氟烷)麻醉后的浓度效应曲线图,其中横坐标是时间,纵坐标是BIS数值。
实施例三:
优选的,预制麻醉药物数据库,包括受体标签、麻醉药物属性标签、代谢参数及其数值;
优选的,本申请实施例中,所述的药物代谢动力学模型为二室药物代谢动力学模型;
优选的,本实施例所采用的技术方案,包括:
步骤1:基于二室药物代谢动力学模型在麻醉药物进入中央室后,经过模拟代谢,获得麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比,包括如下步骤:
步骤11:药物初始药量为X0的麻醉药进入药物代谢动力学模型后,模拟人体代谢,获得麻醉药物进入人体后在药物代谢动力学模型中央室的初始浓度值C0;在数据库中,选择为一种气体和一种液体的麻醉药物,输入药物代谢动力学模型中:
(即模拟麻醉药物通过麻醉机进入气道,通过肺泡与血液进行交换。)麻醉气体通过肺泡转换到机体内部的药量X0:
X0=P×D×S×ATM
其中P是气体分压;D是气体密度;S是气体溶解度;ATM是标准大气压。
液体麻醉药物的输入药量X0;
图2中,X0为给药量;Xc、Xp分别为中央室、周边室的药量;C、Cp分别为中央室、周边室的血药浓度;Vc、Vp分别为中央室、周边室的分布容积;k12为药物从中央室向周边室转运的一级速率常数;k21为药物从周边室向中央室转运的一级速率常数;k10为药物从中央室的一级消除速率常数;keo是中央室到效应室转运的一级速率常数。
其中C0=X0/Vc,C0是药物在中央室的初始浓度,k10,k12,k21以及表观分布容积Vc由与药物同名的“.xml”文件存储,位于“<Pharmacokinetics>...</Pharmacokinetics>”标签下。
分别获得两种麻醉药物的C0:
气体麻醉药物C0=X0/Vc
液体麻醉药物C′0=X′0/V′C
步骤12:经由图2中的中央室与效应室的转换,得到麻醉药物在效应室中血药浓度与时间的函数关系,即麻醉药物在效应室中随时间变化的效应浓度值Ce:
其中,气体麻醉药物在效应室中随时间变化的效应浓度值Ce:
其中,液体麻醉药物在效应室中随时间变化的效应浓度值C′e:
keo、k′eo由与药物同名的“.xml”文件存储,位于“<Pharmacokinetics>...</Pharmacokinetics>”标签下;其中α+β=k10+k12+k21;αβ=k10k21;α称为分布速率常数,β称为消除速率常数;α和β分别代表着两个指数项,其中α为分布相、β为消除相;其中a′+β′=k′10+k′12+k′21;α′β′=k′10k′21;α′称为分布速率常数,β′称为消除速率常数;α′和β′分别代表着两个指数项,其中α′为分布相、β′为消除相;t和t′为时间。
步骤13:基于效应室麻醉药物浓度随时间变化的效应浓度值Ce、C′e,在麻醉药物与受体绑定后,达到平衡状态时的麻醉药在两类受体上激活状态的受体占受体总数的百分比P,麻醉药物作用于GABA、NMDA两种受体引起BIS数值变化。根据图3受体状态转换关系图得出麻醉药物分别于GABA、NMDA两种受体绑定后在平衡状态时激活状态(药物与受体绑定后,处于激活状态受体的百分比)计算公式为:
其中:A为气体麻醉药物,B为液体麻醉药物;[A]是气体麻醉药物效应浓度即步骤12中效应室浓度Ce;KA-GABA,KA-C-GABA,KA-D-GABA是药物A与GABA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;;KA-NMDA,KA-C-NMDA,KA-D-NMDA是药物A与NMDA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;[B]是药物B效应浓度即C′e;KB-GABA,KB-C-GABA,KB-D-GABA是药物B与GABA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;;KB-NMDA,KB-C-NMDA,KB-D-NMDA是药物A与NMDA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;
其中LGABA,QGABA,KGABA,KC-GABA,KD-GABA,KNMDA,KC-NMDA,KD-NMDA由与药物同名的“.xml”文件存储,位于“<Pharmacodynamics>...</Pharmacodynamics>”标签下。
若是单一药物麻醉则只有一种药物A,若是复合麻醉,则如公式(1-1)、(2-1)中累加药物B、C,并依此类推。
麻醉药影响BIS的作用机制:药物渗透细胞,竞争或者非竞争地作用于GABA、NMDA受体上的配体门控离子通道,从而广泛的抑制神经元电路的兴奋信号传递,调节脉冲时间,进而影响人体意识,影响BIS。
步骤2:基于步骤1的激活状态的受体百分比,模拟BIS,包括如下步骤:优选的,步骤21:基于麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比,获得BIS值,计算公式如下:
其中PGABA,active、PNMDA,active由公式(1)、(2)求得;EGABA,max,ENMDA,max分别是麻醉药作用于GABA、NMDA两种受体上的最大药物效应;n1是药物作用于GABA受体时,浓度-效应曲线斜率;n2是药物作用于NMDA受体时,浓度-效应曲线斜率;τGABA,τNMDA分别是麻醉药作用于GABA、NMDA两种受体上的半效浓度,由与药物同名的“.xml”文件存储,位于“<Pharmacodynamics>...</Pharmacodynamics>”标签下。
优选的,还包括,步骤22:根据时间序列,得出对应时间的BIS数值,得到以效应浓度Ce为横坐标,以BIS数值为纵坐标的BIS-Ce曲线图。
进一步,
临床常用吸入麻醉药物的MAC值:
七氟烷(Sevoflurane):1.85%;
患者体重默认为70kg;
应用2%的七氟烷加0.05mg/kg的midazolam(咪达锉伦)进行复合麻醉,得到BIS数值的过程如下:
依据临床研究,预制七氟烷数据库,如下:
依据临床研究,预制midazolam(咪达锉伦)数据库,如下:
步骤1,基于药物代谢动力学模型,在麻醉药物进入中央室后,经过模拟代谢,获得麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比;包括:
步骤11:
向二室药物代谢动力学模型输入药物名称(Sevoflurane),七氟烷,该麻醉药属气态型麻醉药物,应用2%的七氟烷,转换到人体内的初始药量X0为:
2%的七氟烷进入体内的初始药量X0=116138.23(ug/L);
患者体重默认70kg,midazolam(咪达锉伦)用量0.05mg/kg则用药量为X0=70×0.05=3.5mg
进一步:
七氟烷:
初始浓度:C0=8678.25(umol/L)。
咪达锉伦:
初始浓度:C′0=0.05/1.655=0.03021148(mg/L)=0.093(umol/L)。
步骤12:
七氟烷:
当t=6时:
Ce=201.478(umol/L)。
咪达锉伦:
当t=6时:
C′e=0.00192(umol/L)。
步骤S13:
t=6:
PGABA,active=0.83。
PNMDA,active=0.22。
步骤2:基于步骤1的激活状态的受体百分比,模拟BIS,包括如下步骤:
步骤21:
t=6:
BIS=61.15
还包括,步骤22:
附图8是麻醉后的浓度效应曲线图,其中横坐标是时间(S),纵坐标是BIS数值。
实施例四:
优选的,预制麻醉药物数据库,包括受体标签、麻醉药物属性标签、代谢参数及其数值;
优选的,本申请实施例中,所述的药物代谢动力学模型为二室药物代谢动力学模型;
优选的,本实施例所采用的技术方案,包括:
步骤1:基于二室药物代谢动力学模型在麻醉药物进入中央室后,经过模拟代谢,获得麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比,包括如下步骤:
步骤11:药物剂量为X0的麻醉药进入药物代谢动力学模型后,模拟人体代谢,获得麻醉药物进入人体后在药物代谢动力学模型中央室的初始浓度值C0;
在数据库中,选择为一种气体和另一种气体的麻醉药物,输入药物代谢动力学模型中:
(即模拟麻醉药物通过麻醉机进入气道,通过肺泡与血液进行交换。)其中一种麻醉气体通过肺泡转换到机体内部的药量X0:
X0=P×D×S×ATM
其中P是气体分压;D是气体密度;S是气体溶解度;ATM是标准大气压。
另一种麻醉气体通过肺泡转换到机体内部的药量X′0:
X′0=P′×D′×S′×ATM′
图2中,X0为给药量;Xc、Xp分别为中央室、周边室的药量;C、Cp分别为中央室、周边室的血药浓度;Vc、Vp分别为中央室、周边室的分布容积;k12为药物从中央室向周边室转运的一级速率常数;k21为药物从周边室向中央室转运的一级速率常数;k10为药物从中央室的一级消除速率常数;keo是中央室到效应室转运的一级速率常数。
其中C0=X0/Vc,C0是药物在中央室的初始浓度,k10,k12,k21以及表观分布容积Vc由与药物同名的“.xml”文件存储,位于“<Pharmacokinetics>...</Pharmacokinetics>”标签下。
分别获得两种麻醉药物的C0:
一种气体麻醉药物C0=X0/Vc
另一种气体麻醉药物C′0=X′0/V′C
步骤12:经由图2中的中央室与效应室的转换,得到麻醉药物在效应室中血药浓度与时间的函数关系,即麻醉药物在效应室中随时间变化的效应浓度值Ce:
其中,一种气体麻醉药物在效应室中随时间变化的效应浓度值Ce:
其中,另一种气体麻醉药物在效应室中随时间变化的效应浓度值C′e:
keo、k′eo由与药物同名的“.xml”文件存储,位于“<Pharmacokinetics>...</Pharmacokinetics>”标签下;其中α+β=k10+k12+k12;αβ=k10k21;α称为分布速率常数,β称为消除速率常数;α和β分别代表着两个指数项项,其中α为分布相、β为消除相;其中a′+β′=k′10+k′12+k′21;a′β′=k′10k′21;α′称为分布速率常数,β′称为消除速率常数;a′和β′分别代表着两个指数项,其中a′为分布相、β′为消除相;t和t′为时间。
步骤13:基于效应室麻醉药物浓度随时间变化的效应浓度值Ce、C′e,在麻醉药物与受体绑定后,达到平衡状态时的麻醉药在两类受体上激活状态的受体占受体总数的百分比P,麻醉药物作用于GABA、NMDA两种受体引起BIS数值变化。根据图3受体状态转换关系图得出麻醉药物分别于GABA、NMDA两种受体绑定后在平衡状态时激活状态(药物与受体绑定后,处于激活状态受体的百分比)计算公式为:
其中:A为一种气体麻醉药物,B为另一种气体麻醉药物;[A]是气体麻醉药物效应浓度即步骤12中效应室浓度Ce;KA-GABA,KA-C-GABA,KA-D-GABA是药物A与GABA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;;KA-NMDA,KA-C-NMDA,KA-D-NMDA是药物A与NMDA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;[B]是药物B效应浓度即C′e;KB-GABA,KB-C-GABA,KB-D-GABA是药物B与GABA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;KB-NMDA,KB-C-NMDA,KB-D-NMDA是药物A与NMDA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;
其中LGABA,QGABA,KGABA,KC-GABA,KD-GABA,KNMDA,KC-NMDA,KD-NMDA由与药物同名的“.xml”文件存储,位于“<Pharmacodynamics>...</Pharmacodynamics>”标签下。
若是单一药物麻醉则只有一种药物A,若是复合麻醉,则如公式(1-1)、(2-1)中累加药物B、C,并依此类推。
麻醉药影响BIS的作用机制:药物渗透细胞,竞争或者非竞争地作用于GABA、NMDA受体上的配体门控离子通道,从而广泛的抑制神经元电路的兴奋信号传递,调节脉冲时间,进而影响人体意识,影响BIS。
步骤2:基于步骤1的激活状态的受体百分比,模拟BIS,包括如下步骤:优选的,步骤21:基于麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比,获得BIS值,计算公式如下:
其中PGABA,active、PNMDA,active由公式(1)、(2)求得;EGABA,max,ENMDA,max分别是麻醉药作用于GABA、NMDA两种受体上的最大药物效应;n1是药物作用于GABA受体时,浓度-效应曲线斜率;n2是药物作用于NMDA受体时,浓度-效应曲线斜率;τGABA,τNMDA分别是麻醉药作用于GABA、NMDA两种受体上的半效浓度,由与药物同名的“.xml”文件存储,位于“<Pharmacodynamics>...</Pharmacodynamics>”标签下。
优选的,还包括,步骤22:根据时间序列,得出对应时间的BIS数值,得到以效应浓度Ce为横坐标,以BIS数值为纵坐标的BIS-Ce曲线图。
进一步,
临床常用吸入麻醉药物的MAC值:
七氟烷(Sevoflurane):1.85%;
异氟烷(Isoflurane):1.15%;
患者体重默认为70kg;
应用2%的七氟烷加6%的异氟烷气体进行复合麻醉,得到BIS数值的过程如下:
依据临床研究,预制七氟烷数据库,如下:
依据临床研究,预制异氟烷数据库,如下:
步骤1,基于药物代谢动力学模型,在麻醉药物进入中央室后,经过模拟代谢,获得麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比;包括:
步骤11:
2%的七氟烷进入体内的初始药量:X0=116138.23(ug/L);
6%的异氟烷进入体内的初始药量:
X′0=P′×D′×S′×ATM′=0.06×8238.63×1.4=692044.92(ug/L)。
进一步:
七氟烷:
初始浓度:C0=8678.25(umol/L)。
异氟烷:
初始浓度:C′0=692044.92/184.49/0.099389=37741.85(umol/L)。
步骤12:
七氟烷:
当t=6时:
Ce=201.478(umol/L)。
异氟烷:
当t=6时:
C′e=591.598(umol/L)。
步骤S13:
t=6:
PGABA,active=0.86。
PNMDA,active=0.43。
步骤2:基于步骤1的激活状态的受体百分比,模拟BIS,包括如下步骤:
步骤21:
t=6:
BIS=34.27
步骤22:
附图9是麻醉后的浓度效应曲线图,其中横坐标是时间(S),纵坐标是BIS数值。
实施例五,参见附图11,基于前述实施例,优选的,药物代谢动力学模型也可以为多室药物代谢动力学模型或单室药物代谢动力学模型。优选的,提供麻醉药物的数据库,在单室、二室及以上的药物代谢动力学模型的药代动力学规则下,依据步骤1得出P,从而进一步依据步骤2获得BIS的系列值,进行定量表达,也可输出相应曲线。
以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种模拟BIS的方法,其特征在于,包括如下步骤:
步骤1:基于药物代谢动力学模型,在麻醉药物进入中央室后,经过模拟代谢,获得麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比,包括:
步骤11:药物初始药量为X0的单一麻醉药进入药物代谢动力学模型后,模拟人体代谢,获得麻醉药物进入人体后在药物代谢动力学模型中央室的初始浓度值C0,计算公式如下:
C0=X0/Vc
其中:Vc为中央室的表观分布容积;
所述的药物代谢动力学模型是二室药物代谢动力学模型,步骤12:经由药物代谢动力学模型中的中央室与效应室的转换,获得麻醉药物在效应室中随时间变化的效应浓度值Ce,具体计算公式如下:
其中keo是中央室到效应室转运的一级速率常数;其中α+β=k10+k12+k21;αβ=k10k21;其中,α为分布速率常数,β为消除速率常数;其中,X0为初始药量;Vc为中央室的表观分布容积;k12为药物从中央室向周边室转运的一级速率常数;k21为药物从周边室向中央室转运的一级速率常数;k10为药物在中央室内的一级消除速率常数;t为时间;或,
所述的药物代谢动力学模型是单室药物代谢动力学模型,步骤12:经由药物代谢动力学模型中的中央室与效应室的转换,获得麻醉药物在效应室中随时间变化的效应浓度值Ce,具体计算公式如下:
其中keo是中央室到效应室转运的一级速率常数;k是药物代谢出去的速率;e是自然对数;t为时间;
步骤13:基于效应室麻醉药物浓度随时间变化的效应浓度值Ce,在麻醉药物与受体绑定后,达到平衡状态时的麻醉药在两类受体上激活状态的受体占受体总数的百分比P,计算公式如下:
其中:KGABA,KC-GABA,KD-GABA是麻醉药物与GABA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;KNMDA,KC-NMDA,KD-NMDA是麻醉药物与NMDA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;L是受体在静息状态与激活状态之间的转换速率;Q是受体在激活状态与脱敏状态之间的转换速率;
步骤2:基于步骤1的激活状态的受体占受体总数的百分比,模拟BIS,包括:
步骤21:基于麻醉药物与受体绑定后达到平衡状态时激活状态的受体占受体总数的百分比,获得BIS值,计算公式如下:
其中EGABA,max,ENMDA,max分别是麻醉药作用于GABA、NMDA两种受体上的最大药物效应;n1是药物作用于GABA受体时,浓度-效应曲线斜率;n2是药物作用于NMDA受体时,浓度-效应曲线斜率;τGABA,τNMDA分别是麻醉药作用于GABA、NMDA两种受体上的半效浓度。
2.根据权利要求1所述的一种模拟BIS的方法,其特征在于,所述的麻醉药物为两种或两种以上,所述的步骤13,计算公式如下:
其中:[A]是麻醉药物A效应浓度;KA-GABA,KA-C-GABA,KA-D-GABA是药物A与GABA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;KA-NMDA,KA-C-NMDA,KA-D-NMDA是药物A与NMDA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;[B]是麻醉药物B效应浓度;KB-GABA,KB-C-GABA,KB-D-GABA是药物B与GABA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;KB-NMDA,KB-C-NMDA,KB-D-NMDA是药物B与NMDA受体绑定后受体处于静息、激活、脱敏状态之间转换的解离常数;L是受体在静息状态与激活状态之间的转换速率;Q是受体在激活状态与脱敏状态之间的转换速率。
3.根据权利要求1-2任意一项所述的一种模拟BIS的方法,其特征在于,所述的步骤2,还包括步骤22:以BIS系列值为纵坐标,以时间t为横坐标,输出“时间-BIS”曲线图。
4.根据权利要求1-2任意一项所述的一种模拟BIS的方法,其特征在于,所述的步骤1,还包括:预制所述麻醉药物的数据库。
5.根据权利要求4所述的一种模拟BIS的方法,其特征在于,所述麻醉药物的数据库包括:受体标签、麻醉药物属性标签、代谢参数及其数值。
6.根据权利要求1-2、5任意一项所述的一种模拟BIS的方法,其特征在于,当麻醉药为气体时,其转换到药物代谢动力学模型的初始给药量为:X0=P×D×S×ATM,其中P是气体分压;D是气体密度;S是气体溶解度;ATM是标准大气压。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211178919.0A CN115270524B (zh) | 2022-09-27 | 2022-09-27 | 一种模拟bis的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211178919.0A CN115270524B (zh) | 2022-09-27 | 2022-09-27 | 一种模拟bis的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115270524A CN115270524A (zh) | 2022-11-01 |
CN115270524B true CN115270524B (zh) | 2023-01-17 |
Family
ID=83756447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211178919.0A Active CN115270524B (zh) | 2022-09-27 | 2022-09-27 | 一种模拟bis的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270524B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452101B (zh) * | 2023-06-09 | 2023-08-25 | 淄博市中心医院 | 一种智能麻醉科药物配送收费方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101026992A (zh) * | 2004-07-07 | 2007-08-29 | 伊西康内外科公司 | 脑电双频指数闭环麻醉剂输送 |
CN102097026A (zh) * | 2009-12-14 | 2011-06-15 | 中国科学院上海药物研究所 | 一种体外模拟药物代谢动力学特征的装置及其方法 |
CN104869897A (zh) * | 2012-10-12 | 2015-08-26 | 通用医疗公司 | 用于在施用麻醉化合物期间和之后监测和控制患者的状态的系统和方法 |
CN114822876A (zh) * | 2022-06-14 | 2022-07-29 | 湖南慧泽生物医药科技有限公司 | 药物吸收速率常数的预测模型、设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10675406B2 (en) * | 2015-10-23 | 2020-06-09 | University Of Southern California | Adaptive brain-machine interface system for anesthesia delivery |
-
2022
- 2022-09-27 CN CN202211178919.0A patent/CN115270524B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101026992A (zh) * | 2004-07-07 | 2007-08-29 | 伊西康内外科公司 | 脑电双频指数闭环麻醉剂输送 |
CN102097026A (zh) * | 2009-12-14 | 2011-06-15 | 中国科学院上海药物研究所 | 一种体外模拟药物代谢动力学特征的装置及其方法 |
CN104869897A (zh) * | 2012-10-12 | 2015-08-26 | 通用医疗公司 | 用于在施用麻醉化合物期间和之后监测和控制患者的状态的系统和方法 |
CN114822876A (zh) * | 2022-06-14 | 2022-07-29 | 湖南慧泽生物医药科技有限公司 | 药物吸收速率常数的预测模型、设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
Online Nonlinear Identification of the Effect of Drugs in Anaesthesia Using a Minimal Parameterization and BIS Measurements;Margarida Martins da Silva 等;《Proceedings of the 2010 American Control Conference》;20100629;全文 * |
丙泊酚注射液在中国健康受试者的药代动力学和药效学;曹婉雯 等;《中国临床药理学杂志》;20140531;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115270524A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115270524B (zh) | 一种模拟bis的方法 | |
Kottke et al. | Attributes of successful smoking cessation interventions in medical practice: a meta-analysis of 39 controlled trials | |
Bailey | Context-sensitive half-times and other decrement times of inhaled anesthetics | |
CN103402564B (zh) | 个体化浓缩物的制备 | |
Santillan et al. | Regulation of platelet production: The normal response to perturbation and cyclical platelet disease | |
Zaharko et al. | Methotrexate tissue distribution: prediction by a mathematical model | |
CN107049929A (zh) | 甲状腺激素t3和/或t4的单次剂量药物制剂 | |
Horton et al. | Maximum recommended dosage of lithium for pregnant women based on a PBPK model for lithium absorption | |
CN107993725B (zh) | 一种护理记录单生成方法 | |
CN109789213A (zh) | T4甲状腺激素的高稳定性包装解决方案 | |
Fló et al. | Effects of exercise training on papain-induced pulmonary emphysema in Wistar rats | |
Yem et al. | A tidally breathing model of ventilation, perfusion and volume in normal and diseased lungs | |
Farmery | Simulating hypoxia and modelling the airway | |
CN101862491A (zh) | 无痛自动麻醉装置 | |
CN201847986U (zh) | 无痛自动麻醉装置 | |
BR112019019057A2 (pt) | formulações contraceptivas personalizadas | |
Saleh et al. | Hormonal contraception and platelet function | |
Edjtehadi | Effects of thiopentone sodium, methoxyflurane and halothane on haematological parameters in sheep during prolonged anaesthesia | |
US20090327175A1 (en) | Pharmacokinetic modeling of mycophenolic acid | |
KR102276155B1 (ko) | 한약 조제 시스템 | |
Lukacova et al. | R6366 | |
CN117637130A (zh) | 一种治疗方案全流程闭环管理系统 | |
Ho et al. | In silico modeling for ex vivo placenta perfusion of nicotine | |
Moutos et al. | Effect of exogenous oestrogen on blood flow and quantitative histology of the corpora lutea of pseudopregnant rabbits | |
Bodnar et al. | Treatment with selective serotonin reuptake inhibitors during pregnancy: deceleration of weight gain because of depression or drug? |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |